1.一种活体检测方法，包括：

对关于目标对象的图像块序列进行特征提取，得到引导特征，其中，所述引导特征包括所述图像块序列中的具有用于匹配目标专家参数矩阵的特征；

确定与所述引导特征相匹配的目标专家参数矩阵，其中，所述目标专家参数矩阵包括用于检测所述目标对象的知识信息；以及基于所述图像块序列和所述目标专家参数矩阵，确定所述目标对象的活体检测结果；

其中，所述基于所述图像块序列和所述目标专家参数矩阵，确定所述目标对象的活体检测结果，包括：对所述图像块序列进行特征提取，得到静态特征；

基于所述静态特征，得到语义特征；

基于所述语义特征、所述引导特征和所述目标专家参数矩阵，得到目标特征；以及对所述目标特征进行分类，确定所述目标对象的活体检测结果。

2.根据权利要求1所述的方法，其中，所述确定与所述引导特征相匹配的目标专家参数矩阵，包括：确定与所述引导特征相匹配的目标聚类参数矩阵，其中，所述目标聚类参数矩阵包括与所述图像块序列相匹配的特征信息；以及确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

3.根据权利要求2所述的方法，其中，所述确定与所述引导特征相匹配的目标聚类参数矩阵，包括：确定所述引导特征与至少一个聚类参数矩阵各自的匹配度，得到至少一个匹配度；

基于所述至少一个匹配度，从所述至少一个聚类参数矩阵中确定与所述引导特征相匹配的所述目标聚类参数矩阵。

4.根据权利要求2所述的方法，其中，所述确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵，包括：基于聚类参数矩阵与专家参数矩阵之间的映射关系，从至少一个专家参数矩阵中确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

5.根据权利要求1所述的方法，其中，所述对关于目标对象的图像块序列进行特征提取，得到引导特征，包括：对所述图像块序列进行特征提取，得到静态特征；以及基于所述静态特征和预定的分类标记特征，得到所述引导特征。

6.根据权利要求1至5中任一项所述的方法，还包括：对包括所述目标对象的初始图像进行关键点对齐，得到对齐后图像；以及对所述对齐后图像进行切分，得到所述图像块序列。

7.一种深度学习模型的训练方法，其中，所述深度学习模型包括静态特征提取模块、动态增量特征提取模块、分类模块和至少一个专家参数矩阵，所述方法包括：将关于目标对象的样本图像块序列输入至所述静态特征提取模块中，得到样本引导特征；

从所述至少一个专家参数矩阵中确定与所述样本引导特征相匹配的目标专家参数矩阵，其中，所述目标专家参数矩阵包括用于检测所述目标对象的知识信息；

基于所述样本图像块序列和所述目标专家参数矩阵，确定所述目标对象的样本活体检测结果；以及基于所述样本活体检测结果和与所述样本图像块序列相匹配的样本标签，调整所述目标专家参数矩阵的参数，得到经训练的深度学习模型；

其中，所述基于所述样本图像块序列和所述目标专家参数矩阵，确定所述目标对象的样本活体检测结果，包括：将所述样本图像块序列输入至输入编码子模块中，得到样本静态特征；

将所述样本静态特征输入至所述静态特征提取子模块中，得到样本语义特征；

将所述样本语义特征、所述样本引导特征和所述目标专家参数矩阵输入至所述动态增量特征提取模块中，得到样本目标特征；以及将所述样本目标特征输入至所述分类模块中，得到所述目标对象的所述样本活体检测结果。

8.根据权利要求7所述的方法，其中，所述深度学习模型还包括至少一个聚类参数矩阵；

所述确定与所述样本引导特征相匹配的目标专家参数矩阵，包括：从所述至少一个聚类参数矩阵中确定与所述样本引导特征相匹配的目标聚类参数矩阵，其中，所述目标聚类参数矩阵包括与所述样本图像块序列相匹配的特征信息；以及确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

9.根据权利要求8所述的方法，其中，所述基于所述样本活体检测结果和与所述样本图像块序列相匹配的样本标签，调整所述目标专家参数矩阵的参数，得到经训练的深度学习模型，包括：将所述样本引导特征和所述目标聚类参数矩阵输入至第一损失函数，得到第一损失值；

将所述样本活体检测结果和所述样本标签输入至第二损失函数，得到第二损失值；以及基于所述第一损失值和所述第二损失值，调整所述目标专家参数矩阵和所述目标聚类参数矩阵各自的参数，得到所述经训练的深度学习模型。

10.根据权利要求7所述的方法，还包括：

从多个训练样本集合中确定目标训练样本集合，其中，每个所述训练样本集合包括多个样本初始图像和与所述样本初始图像相匹配的样本标签，多个所述训练样本集合各自的样本初始图像类型不同；

对所述目标训练样本集合中的样本初始图像进行关键点对齐，得到对齐后样本图像；

以及

对所述对齐后样本图像进行切分，得到所述样本图像块序列。

11.根据权利要求8所述的方法，其中，所述从所述至少一个聚类参数矩阵中确定与所述样本引导特征相匹配的所述目标聚类参数矩阵，包括：确定所述样本引导特征与所述至少一个聚类参数矩阵各自的匹配度，得到至少一个样本匹配度；

基于所述至少一个样本匹配度，从所述至少一个聚类参数矩阵中确定与所述样本引导特征相匹配的所述目标聚类参数矩阵。

12.根据权利要求8所述的方法，其中，所述确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵，包括：基于聚类参数矩阵与专家参数矩阵之间的映射关系，从至少一个专家参数矩阵中确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

13.根据权利要求7所述的方法，其中，所述静态特征提取模块包括输入编码子模块和静态特征提取子模块；

所述将关于目标对象的样本图像块序列输入至所述静态特征提取模块中，得到样本引导特征，包括：将所述样本图像块序列输入至所述输入编码子模块中，得到样本静态特征；以及将所述样本静态特征和预定的样本分类标记特征输入至所述静态特征提取子模块中，得到所述样本引导特征。

14.一种活体检测装置，包括：

提取模块，用于对关于目标对象的图像块序列进行特征提取，得到引导特征，其中，所述引导特征包括所述图像块序列中的具有用于匹配目标专家参数矩阵的特征；

第一确定模块，用于确定与所述引导特征相匹配的目标专家参数矩阵，其中，所述目标专家参数矩阵包括用于检测所述目标对象的知识信息；以及第二确定模块，用于基于所述图像块序列和所述目标专家参数矩阵，确定所述目标对象的活体检测结果；

其中，所述第二确定模块包括：

第三提取子模块，用于对所述图像块序列进行特征提取，得到静态特征；

第四提取子模块，用于基于所述静态特征，得到语义特征；以及第三确定子模块，用于基于所述语义特征、所述引导特征和所述目标专家参数矩阵，确定所述目标对象的活体检测结果；

其中，所述第三确定子模块包括：

第一提取单元，用于基于所述语义特征、所述引导特征和所述目标专家参数矩阵，得到目标特征；以及第四确定单元，用于对所述目标特征进行分类，确定所述目标对象的活体检测结果。

15.根据权利要求14所述的装置，其中，所述第一确定模块包括：第一确定子模块，用于确定与所述引导特征相匹配的目标聚类参数矩阵，其中，所述目标聚类参数矩阵包括与所述图像块序列相匹配的特征信息；以及第二确定子模块，用于确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

16.根据权利要求15所述的装置，其中，所述第一确定子模块包括：第一确定单元，用于确定所述引导特征与至少一个聚类参数矩阵各自的匹配度，得到至少一个匹配度；

第二确定单元，用于基于所述至少一个匹配度，从所述至少一个聚类参数矩阵中确定与所述引导特征相匹配的所述目标聚类参数矩阵。

17.根据权利要求15所述的装置，其中，所述第二确定子模块包括：第三确定单元，用于基于聚类参数矩阵与专家参数矩阵之间的映射关系，从至少一个专家参数矩阵中确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

18.根据权利要求14所述的装置，其中，所述提取模块包括：第一提取子模块，用于对所述图像块序列进行特征提取，得到静态特征；以及第二提取子模块，用于基于所述静态特征和预定的分类标记特征，得到所述引导特征。

19.根据权利要求14至18中任一项所述的装置，还包括：对齐模块，用于对包括所述目标对象的初始图像进行关键点对齐，得到对齐后图像；以及切分模块，用于对所述对齐后图像进行切分，得到所述图像块序列。

20.一种深度学习模型的训练装置，其中，所述深度学习模型包括静态特征提取模块、动态增量特征提取模块、分类模块和至少一个专家参数矩阵，所述装置包括：输入模块，用于将关于目标对象的样本图像块序列输入至所述静态特征提取模块中，得到样本引导特征；

第三确定模块，用于从所述至少一个专家参数矩阵中确定与所述样本引导特征相匹配的目标专家参数矩阵，其中，所述目标专家参数矩阵包括用于检测所述目标对象的知识信息；

第四确定模块，用于基于所述样本图像块序列和所述目标专家参数矩阵，确定所述目标对象的样本活体检测结果；以及调参模块，用于基于所述样本活体检测结果和与所述样本图像块序列相匹配的样本标签，调整所述目标专家参数矩阵的参数，得到经训练的深度学习模型；

其中，所述第四确定模块包括：

第五输入子模块，用于将所述样本图像块序列输入至输入编码子模块中，得到样本静态特征；

第六输入子模块，用于将所述样本静态特征输入至所述静态特征提取子模块中，得到样本语义特征；

第七输入子模块，用于将所述样本语义特征、所述样本引导特征和所述目标专家参数矩阵输入至所述动态增量特征提取模块中，得到样本目标特征；以及第六确定子模块，用于将所述样本目标特征输入至所述分类模块中，得到所述目标对象的所述样本活体检测结果。

21.根据权利要求20所述的装置，其中，所述深度学习模型还包括至少一个聚类参数矩阵；

所述第三确定模块包括：

第四确定子模块，用于从所述至少一个聚类参数矩阵中确定与所述样本引导特征相匹配的目标聚类参数矩阵，其中，所述目标聚类参数矩阵包括与所述样本图像块序列相匹配的特征信息；以及第五确定子模块，用于确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

22.根据权利要求21所述的装置，其中，所述调参模块包括：第一输入子模块，用于将所述样本引导特征和所述目标聚类参数矩阵输入至第一损失函数，得到第一损失值；

第二输入子模块，用于将所述样本活体检测结果和所述样本标签输入至第二损失函数，得到第二损失值；以及调参子模块，用于基于所述第一损失值和所述第二损失值，调整所述目标专家参数矩阵和所述目标聚类参数矩阵各自的参数，得到所述经训练的深度学习模型。

23.根据权利要求20所述的装置，还包括：

第五确定模块，用于从多个训练样本集合中确定目标训练样本集合，其中，每个所述训练样本集合包括多个样本初始图像和与所述样本初始图像相匹配的样本标签，多个所述训练样本集合各自的样本初始图像类型不同；

样本对齐模块，用于对所述目标训练样本集合中的样本初始图像进行关键点对齐，得到对齐后样本图像；以及样本切分模块，用于对所述对齐后样本图像进行切分，得到所述样本图像块序列。

24.根据权利要求21所述的装置，其中，所述第四确定子模块包括：第五确定单元，用于确定所述样本引导特征与所述至少一个聚类参数矩阵各自的匹配度，得到至少一个样本匹配度；

第六确定单元，用于基于所述至少一个样本匹配度，从所述至少一个聚类参数矩阵中确定与所述样本引导特征相匹配的所述目标聚类参数矩阵。

25.根据权利要求21所述的装置，其中，所述第五确定子模块包括：第七确定单元，用于基于聚类参数矩阵与专家参数矩阵之间的映射关系，从至少一个专家参数矩阵中确定与所述目标聚类参数矩阵相匹配的所述目标专家参数矩阵。

26.根据权利要求20所述的装置，其中，所述静态特征提取模块包括输入编码子模块和静态特征提取子模块；

所述输入模块包括：

第三输入子模块，用于将所述样本图像块序列输入至所述输入编码子模块中，得到样本静态特征；以及第四输入子模块，用于将所述样本静态特征和预定的样本分类标记特征输入至所述静态特征提取子模块中，得到所述样本引导特征。

27.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至13中任一项所述的方法。

28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至13中任一项所述的方法。